如何在 Python 中将 *all* 字符转义为相应的 html 实体名称和数字？

Question

我想将一个字符串编码为其对应的 html 实体，但不幸的是我做不到。正如我在问题标题中所说，我希望将字符串中的 all 字符转换为相应的 html 实体（数字和名称）。所以根据documentation。我试过了：

In [31]: import html

In [32]: s = '<img src=x onerror="javascript:alert("XSS")">'

In [33]: html.escape(s)
Out[33]: '&lt;img src=x onerror=&quot;javascript:alert(&quot;XSS&quot;)&quot;&gt;'

但我希望转换所有字符，而不仅仅是 '' 、 '&' 等。 而且html.escape 只提供 html 实体 names 而不是数字，但我两者都想要。

但令人惊讶的是，html.unescape 将所有实体转义为对应的字符。

In [34]: a = '<img src=x onerror="&#0000106&#0000097&#0000118&#0000097&#0000115&#0000099&#0000114&#0000105&#0000112&#0000116&#000005
    ...: 8&#0000097&#0000108&#0000101&#0000114&#0000116&#0000040&#0000039&#0000088&#0000083&#0000083&#0000039&#0000041">'

In [35]: html.unescape(a)
Out[35]: '<img src=x onerror="javascript:alert(\'XSS\')">' 

那么我可以对html.escape 做同样的事情吗？

我真的很惊讶为什么互联网上用于编码和解码 html 实体的 所有 资源没有对所有字符进行编码，而且 php htmlspecialchars() 函数也不这样做。而且我不想从here一个字符一个字符地写出所有的html实体编号。

Answer 1

您实际上并不需要一个特殊的函数来处理您正在做的事情，因为您想要的数字只是相关字符的 Unicode 代码点。

ord 几乎可以满足您的需求：

 def encode(s):
     return ''.join('&#{:07d};'.format(ord(c)) for c in s)

从美学上讲，我更喜欢十六进制编码：

 def encode(s):
     return ''.join('&#x{:06x};'.format(ord(c)) for c in s)

html.escape 和html.unescape 的特别之处在于它们除了支持数字实体外，还支持命名实体。转义的目标通常是将您的字符串转换为没有 HTML 解析器特殊字符的字符串，因此 escape 仅替换少数字符。您正在做的事情确保字符串中的所有字符除此之外都是 ASCII。

如果您想尽可能强制使用命名实体，可以在将ord 应用于字符后检查html.entities.codepoint2name 映射：

def encode(s):
    return ''.join('&{};'.format(codepoint2name.get(i, '#{}'.format(i))) for i in map(ord, s))